人臉認證作為人臉識別的一個分支,在維護社會穩(wěn)定及個人安全方面具有重要的意義。目前,人臉認證方法主要有:以支持向量機、k最近鄰、決策樹等淺層模型為代表的傳統(tǒng)的模式識別方法和以卷積神經(jīng)網(wǎng)絡為代表的深度學習方法。傳統(tǒng)模式識別方法的識別精度依賴人工提取特征的結(jié)果,易受外界條件影響,智能化程度低。深度學習方法以自主學習方式能從復雜的數(shù)據(jù)中提取人臉的隱性特征,且泛化能力強。為此,本文提出兩種基于深度學習的人臉認證算法。具體工作如下:(1)針對現(xiàn)有的基于深度學習人臉認證方法數(shù)據(jù)標記成本大,在訓練樣本較少的數(shù)據(jù)集上模型訓練效果不佳的問題,提出了融合LeNet-5和Siamese神經(jīng)網(wǎng)絡的人臉認證算法。首先,將人臉數(shù)據(jù)匹配為成對樣本并送入網(wǎng)絡,采用Siamese神經(jīng)網(wǎng)絡框架,構(gòu)建雙分支LeNet-5卷積網(wǎng)絡進行人臉特征提取,通過縮小卷積核、增加卷積層、改變激活函數(shù)調(diào)整模型結(jié)構(gòu);然后,使用Contrastive Loss函數(shù)進行網(wǎng)絡優(yōu)化,使類內(nèi)差異最小化,類間差異最大化,提升網(wǎng)絡對樣本的區(qū)分能力;最后,通過度量樣本特征間相似性判斷樣本類別。該方法將深度學習和度量學習結(jié)合起來,既避免了復雜的人工特征提取,又...

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 人臉識別的發(fā)展
        1.2.2 人臉識別的現(xiàn)狀
    1.3 本文的主要工作
    1.4 本文的組織結(jié)構(gòu)
2 相關(guān)理論與技術(shù)
    2.1 圖像預處理
        2.1.1 人臉檢測
        2.1.2 人臉對齊
    2.2 卷積神經(jīng)網(wǎng)絡
        2.2.1 卷積神經(jīng)網(wǎng)絡特點
        2.2.2 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)
    2.3 經(jīng)典的網(wǎng)絡模型
        2.3.1 LeNet-5網(wǎng)絡
        2.3.2 Alex Net網(wǎng)絡
        2.3.3 Res Net網(wǎng)絡
        2.3.4 Siamese網(wǎng)絡
    2.4 相似性度量
    2.5 分類評價指標
    2.6 本章小結(jié)
3 融合Le Net-5與Siamese神經(jīng)網(wǎng)絡的人臉認證算法
    3.1 融合網(wǎng)絡算法思想
    3.2 融合網(wǎng)絡算法流程
    3.3 融合Le Net-5與Siamese網(wǎng)絡模型
        3.3.1 雙分支LeNet-5網(wǎng)絡特征提取
        3.3.2 Contrastive Loss損失函數(shù)優(yōu)化
    3.4 實驗與分析
        3.4.1 實驗數(shù)據(jù)與實驗環(huán)境
        3.4.2 實驗方案
        3.4.3 實驗參數(shù)
        3.4.4 實驗結(jié)果及分析
    3.5 本章小結(jié)
4 融合Le Net-Residual與 Siamese神經(jīng)網(wǎng)絡的人臉認證算法
    4.1 殘差融合網(wǎng)絡算法思想
    4.2 殘差融合網(wǎng)絡算法流程
    4.3 局部紋理特征增強算法
        4.3.1 Gamma校正
        4.3.2 高斯差分濾波
        4.3.3 對比度均衡化
    4.4 融合Le Net-Residual與 Siamese網(wǎng)絡模型
        4.4.1 Residual Block
        4.4.2 雙分支Le Net-Residual網(wǎng)絡
    4.5 實驗與分析
        4.5.1 實驗數(shù)據(jù)與實驗環(huán)境
        4.5.2 實驗方案
        4.5.3 實驗參數(shù)
        4.5.4 實驗結(jié)果與分析
    4.6 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
附錄



本文編號：3792258